ADOM LA GOUVERNANCE DES DONNEES DANS LES MUTUELLES
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
ADOM
LA GOUVERNANCE DES DONNEES DANS LES MUTUELLES
Valmen Consulting
Introduction
Données et dirigeants
Dirigeants de mutuelle,
pourquoi les données
sont-elles importantes
pour vous ?
2
Valmen Consulting
Parce que … c’est obligatoire !
La contrainte réglementaire
Solvabilité II
▪ Le RGPD impose de mettre en place une politique de
protection des données personnelles, un registre des
traitements, de nommer un DPO.
3
Valmen Consulting
SOMMAIRE
1. Partie 1 CAS PRATIQUE n°1 : les agences de Gan Assurances
2. Partie 2
3. Partie 3
4. Partie 4
5. Partie 5
6. Partie 6
4
Valmen Consulting
Décision stratégique Groupama SA :
fermer les petites agences ou les pousser à se regrouper
pour que la commission moyenne atteigne la moyenne du marché
Valmen Consulting
1er temps : s’interroger sur l’origine des données
Comprendre qui fait quoi et pourquoi
▪ 1.1. Qui fait quoi ?
La communication reçoit la demande de l’Argus de l’Assurance et :
- demande à la comptabilité le montant des commissions de l’exercice précédent
- lit dans le tableau de bord mensuel le nombre d’agences
- calcule la commission moyenne
▪ 1.2. D’où vient la donnée essentielle : le nombre d’agences ?
- Le marketing réseau qui analyse l’implantation des points de vente suit le nombre de points de vente.
- Le juridique agents qui gère les mandats des agents suit le nombre de mandats.
- La formation qui gère les formations initiales des nouveaux agents suit le nombre d’agents.
- L’informatique agences qui gère les codes portefeuilles historiques suit le nombre de codes portefeuilles et
produit les tableaux de bord mensuels avec cette donnée.
Personne ne suit les agences … que personne ne définit de la même façon !
Chacun gère les données qui le concerne, sans connaître les conséquences sur le reste de l’environnement.
6
Valmen Consulting
2ème temps : Définir une politique des données
Dictionnaire des données
▪ 2.1. Définir précisément avec l’ensemble des parties prenantes :
- Le vocabulaire exact et la donnée utilisée par chacun : point de vente, mandat, agent, code portefeuille
- la donnée manquante : agence, en créant une définition partagée par tous / imposée à tous
- Une agence est une entité économique qui peut avoir un ou plusieurs agents, un ou plusieurs points de vente, et
regrouper un ou plusieurs portefeuilles historiques de clients.
▪ 2.2. Collecter la donnée manquante : compter les agences selon cette définition.
▪ 2.3. Définir quelles données diffuser, à qui et pour quel usage :
- Créer un tableau de bord mensuel avec agences / agents / points de vente
- Interdire la diffusion du tableau de bord avec les codes portefeuille qui n’intéresse personne en-dehors du producteur de
la donnée, pour éviter toute confusion.
7
Valmen Consulting
3ème temps : Décider la stratégie avec des données justes
Repartir dans le bon sens et faire durer
▪ 3.1. Communication : Faire publier un rectificatif dans l’Argus de l’assurance
▪ 3.2. Fournir la donnée juste au décideur :
- Expliquer la réalité des chiffres
- Reconstituer la chronique historique de la donnée
- Fournir chaque trimestre au conseil d’administration la dernière valeur du tableau de bord mensuel, ce qui contribue à
son appropriation, notamment en interne, et assure le suivi de la décision pour créer l’habitude.
- La stratégie a été définie cette fois avec les bonnes données !
▪ 3.3. Un point positif : ce travail a permis de s’apercevoir :
- qu’en 10 ans le Gan avait perdu 100 agences, ce dont personne n’avait pris conscience
- de mettre en œuvre un plan d’actions pour arrêter l’hémorragie et inverser la tendance
8
Valmen Consulting
SOMMAIRE
1. Partie 1
2. Partie 2 CAS PRATIQUE n°2 : AG2R La Mondiale
3. Partie 3
4. Partie 4
5. Partie 5
6. Partie 6
9
Valmen Consulting
Industrialisation de SI
La gouvernance de la donnée : un enjeu opérationnel
• Murielle MELOT
• Directeur du Pilotage Opérationnel Transverse Santé Prévoyance
Industrialisation du SI
1. Rationnaliser nos back-offices,
2. Automatiser, dématérialiser et simplifier nos processus,
3. Transformer les contraintes réglementaires en opportunités,
4. Maitriser nos engagements techniques.
10
Valmen ConsultingRationalisation des SI : pouvoir disposer d‘une métrique commune
Chacun a raison et tout le monde a tort
▪ 1.1. Comparer les coûts des projets de migrations
- La notion de Personnes Physiques :
- Un exemple : l’addition des PP sur l’ensemble des SI vs la population active nationale
• Que compte-t-on? Que doit-on compter ? Comment-on compter?
▪ 1.2. Comment modéliser les données « communes »
- Chaque SI possède ses prérogatives/règles
- Identifier le concept commun de donnée PP et ses traitements dans les outils
- Trouver les compétences pour modéliser l’ensemble
1
1
11
Valmen ConsultingModéliser les données : un enjeu d’entreprise
La modélisation : un impératif pour comprendre la donnée
▪ 1.1. Distinguer l’identifiant et les attributs de la donnée
- Une PP : un identifiant NIR Qualité de la métrique
- Un référentiel : flux DSN Norme réglementaire, unicité de la source
- Un dictionnaire de données : les rôles; le lignage de la donnée ; responsabilisation
▪ 1.2. Mettre en place un modèle Modèle Métiers d’Entreprise (MME)
- Le mythe du Datalake et le risque du Dataswamps
- La gouvernance de la donnée
- La modélisation au service de l’efficacité
12
Valmen ConsultingUn usage pilote : construire ensemble
▪ Il est illusoire de penser que l’on peut exploiter les données brutes sans retravailler le modèle.
▪ Il faut s’assurer de la formalisation des processus utilisant la donnée.
▪ La gouvernance de la donnée est au cœur de l’efficacité : elle doit être régalienne et facilitante.
▪ Le rôle du référent data : faire le lien entre l’opérationnel et la gouvernance.
▪ Il faut gérer le paradoxe du Big data et de la patience.
13
Valmen ConsultingSOMMAIRE
1. Partie 1
2. Partie 2
3. Partie 3 CAS PRATIQUE n°3 : ALMERYS
4. Partie 4
5. Partie 5
6. Partie 6
14
Valmen ConsultingAccumulation de données, protection des données, digitalisation:
be|almerys face à de nouveaux défis
De nouvelles problématiques et de nouveaux besoins émergent…
▪ Almerys créée en 2000 : gestion des prestations ▪ Protéger ses données correctement et rétablir
santé et des prestations d’assurances de la une relation de confiance : 80% des français
personne: Santé de
Traitement – Prévoyance
flux (à base de règles) craignent données
Analyse que leurs en
données
massesoient
(data volées ou
science)
▪ Almerys, concentrateur de données détournées
▪ +20 millions Temps réel bénéficiant de
de personnes ▪ Maîtriser sesTemps
données
réelet
et les valoriser : 2,5
batch
solutions be|almerys, 14 millions de cartes trillions de données sont générées chaque jour
▪ 150 acteurs en complémentaire santé , Assureurs, ▪ Faciliter l’accès aux données : le trop plein de
Centré métier
Institutions de Prévoyance, Mutuelles, Courtiers, données et leurCentré
mauvaiseindividu
gestion rendent l’accès
Délégataires de gestion aux données difficile et laborieux
Données silotées
▪ 256 500 professionnels de santé ▪ Innover pour Données
mieux intégrées
performer et rester
▪ +9 milliards d’euros de prestations santé compétitif :
valoriséesArchitecture
en 2018 fermée - OCDE 2017, les dépensesouverte
Architecture de R&D ont augmenté
de 3.8%
▪ Traitement de flux
- En France, les 250 plus grandes entreprises
▪ Pas d’accumulation / valorisation des données
Pre-RGPD réalisent 61 % de Post-RGPD
cette dépense et les entreprises
▪ SI propriétaire, type legacy, centré métier de taille intermédiaire (ETI) 24 %
▪ Données silotées, difficile d’accès - Nette hausse comparativement à avant 2016 15
Valmen ConsultingInnover, réformer, aller vers les deeptechs pour assurer
performance, confiance et efficacité en temps réel
Différentes technologies et techniques vous sont proposée afin de répondre au mieux à vos besoins …
▪ Assurer la protection des individus par la mise en conformité des données : respect du RGPD,
anonymisation, pseudonymisation, minimisation sans altération des données
▪ Permettre un traitement massif des données ainsi que leur valorisation : grâce à une accélération
du processus de traitement et une capitalisation des travaux de recherches et d’innovation sur un
socle d’accélération
▪ Instaurer une véritable gouvernance des données : aider au contrôle des données, chats
quotidiens avec des experts afin de faciliter les développements
▪ Augmenter sa capacité d’innovation : grâce aux
deeptechs (IA, Blockchain, Big Data) gagner en vitesse,
en performance et en liberté d’action et réduire les
coûts associés à cet investissement
▪ Grâce aux « deeptechs », rétablir la confiance entre
les acteurs de la chaîne : traçabilité des données,
transparence de bout en bout
16
Valmen ConsultingUne solution efficace et hors-norme: le RedLab, une stratégie et
un environnement de développement propice à la performance…
Transformation numérique
Exploration et valorisation des données
Gouvernance des données
Mise en conformité
• Un socle d’accélération facilitant l’industrialisation des applications
• Des technologies à l’état de l’art , les deeptechs (big data, blockchain, IA)
• Une stratégie de recherche à base d’open innovation et co-création
• Des équipes d’experts en science des données, IA et cryptographie
• Une démarche intraprenariale avec de grandes écoles
• Une recherche d’excellence, reconnue internationalement
17
Valmen ConsultingSystème d’Information
Conformité Plateforme
réglementaire Technologique
Privacy-by-default Blockchain
Autodétermination Deep learning
Informationnelle
Big data
Privacy-by-design
Smart center
Security-by-design
Brevet
« General Data Protection Method »
EP 17 305 622.7
Valmen ConsultingUn outil performant dans la lutte contre la fraude…
Quelques chiffres clés sur la fraude…
Assurance maladie, sécurité sociale (2016)
Optique
▪ 245 millions de fraude détecté Dentaire
▪ 79 % de la fraude vient des professionnels de santé Pharmacie
▪ En augmentation de +17% en un an
Hospitalisation
▪ Chaque année, les systèmes de détections de fraude s’améliorent
mais… Transports
…. Chaque année les fraudeurs redoublent d’inventivité pour
contourner les mécanismes de détections !
19
Valmen ConsultingUn outil performant dans la lutte contre la fraude…
RedLab, apport de l’IA et du big data
L’intelligence artificielle au secours de la lutte contre la fraude
Clustering
▪ Apprentissage autonome, adaptatif et en temps réel de nouvelles
règles de détection de fraude Machine learning
▪ Découverte de patterns (modèles/techniques de fraudes) dont les Deep learning
contrôleurs ignoraient l’existence
Réseau de neurones
▪ Capacité de généralisation des règles ou, à l’inverse,
d’individualisation et de déclinaisons des seuils de détections,… Big data
- En fonction de spécificités multifactorielles
(période de l’année, zone géographique, réseaux tarifaires, type de
Studys-IA
contrat de RC…)
20
Valmen ConsultingExemples de cas concrets détectés grâce à
l’IA
Uniquement sur le domaine optique, portefeuille de 340 000 PP sur 1
mois :
❑ Solution traditionnelle : 423 PEC qualifiées
✓ Détection sur règles métier
✓ Coût de la fraude (montant RC) : 126’000 €
✓ Taux de détection : 3 à 5%
Par Clustering (regroupements
❑ Studys-IA : 539 PEC qualifiées homogènes)
✓ Détection par apprentissage • Profilage de PS (ex. opticien vendant
nettement plus de lentilles que son
✓ Coût de la fraude (montant RC) : 255’808 € groupe de pairs)
✓ Taux de détection : 6à7% • Analyse contextuelle (ex. toute la
▪ Optimisation tarifaire en fonction du contrat de remboursement (abus) famille se refait faire des lunettes dans
▪ Coût de la fraude (montant RC) : 770 PEC qualifiées un laps de temps court)
122’750 € • Anomalies (ex. PEC répétitives pour un
même assuré, le tout dans des régions
✓ Objectif 2024 : > 10% pour > 10 M€ RC différentes)
• Saisonnalité (ex. DR pour des lunettes
enfant en été – fausse facture pour des
lunettes solaires)
Par apprentissage (non-supervisé)
Valmen ConsultingAutres apports IA & Big data
❑ Actuaire « augmenté »
✓ Environnement de consultation pour pilotage et reporting au quotidien
(populations, contrats, cotisations, prestations etc),
✓ Valorisation des données : élargir la gamme de services proposés aux
adhérents. Prévention des risques et usages d'objets connectés,
✓ Adaptation de l’offre : benchmarking et conception de l’offre en fonction des
tendances de marchés telles que les médecines douces etc (identification des
besoins clients, étude et maitrise des risques),
✓ Détection de fraude : détecter les populations à risques, assurer leur suivi et
détecter les potentielles fraudes en croisant les bases de données avec celles
d’organismes extérieurs,
✓ Conseil : calage DDA, devoir de conseil en corrélation avec les données
externes. Orientation des formulaires de conseil/KYC en fonction des tendances
identifiées dans les données,
✓ Solutionner le problème du gel des avoirs : rapprochement des listes de
personnes fichées à risques et croisement avec base d’adhérents.
Valmen ConsultingSOMMAIRE
1. Partie 1
2. Partie 2
3. Partie 3
4. Partie 4 Les enseignements des cas présentés
5. Partie 5
6. Partie 6
23
Valmen ConsultingPour… se différencier !
Les nombreuses raisons d’améliorer la gouvernance des données
• Différenciation (services)
Exploitation du • Optimisation des coûts (fraude, RCT)
potentiel • Prédictif, big data…
• Suivi d’activité
Pilotage d’activité • Prise de décisions
• Perte de temps
Problème de non • Problèmes de qualité
maîtrise des données • Difficultés comptables
• ACPR (Solva 2…)
Règlementaire • CNIL (RGPD)
24
Valmen ConsultingSynthèse des cas présentés
Que faut-il retenir ?
• De simples questions de définition peuvent générer des problèmes complexes
Définition de la donnée • Une même donnée peut avoir plusieurs définitions
• Bien définir les données clefs est un préalable incontournable
• On ne peut maîtriser et exploiter que les données que l’on détient
Détention de la donnée • La structuration de la base de données dépend de l’usage que l’on souhaite en faire
• Les données doivent toujours être re-travaillées pour pouvoir être exploitées
• Les processus permettent de fiabiliser les données et de systématiser leur traitement
Qualité de la donnée • La qualité de la donnée est la base de la qualité de l’analyse
• Les projets sur les données doivent mixer 2 types de compétences :
Mix de compétences • La conceptualisation
• La mise en œuvre opérationnelle
• Pas de données de qualité sans évolution de la culture de fond de l’entreprise
Culture de la donnée • La culture de la donnée permet de donner du sens à la rigueur demandée à chacun
(fameux ex du « 999 ») et permet de comprendre le métier de l’autre
25
Valmen ConsultingSynthèse des cas présentés
Quelles sont les meilleures pratiques ?
• Un objectif initial trop
Un objectif ambitieux entraîne des
précis et projets à effet tunnel
circonscrit
Projet
• Le mix des compétences est Mix de maîtrise
incontournable pour éviter compétences
les projets « fumeux » ou à de
conceptuelles données
l’inverse, les projets mal et opération-
conçus nelles
3 données
maximum
• Importance de traiter les
données de bout en bout
• Certaines données sont
structurantes
26
Valmen ConsultingSynthèse des cas présentés
Quels sont les points cardinaux ?
Tendre vers un
• Limite les erreurs référentiel unique
• Facilite les définitions
• Augmente le potentiel
d’exploitation des
données
Faire évoluer la Concevoir des
culture de schémas directeurs
l’entreprise autour de la donnée
• Indispensable pour
assurer la qualité des
données
• Impératif
règlementaire
• Trop grande complexité
Adopter la
à aborder tous les fronts
méthode des
simultanément
petits pas
27
Valmen ConsultingSynthèse des cas présentés
La check-list d’un projet sur la gouvernance des données
Le projet respecte-t-il les points suivants ? Le projet poursuit-il ces objectifs ?
28
Valmen ConsultingNous contacter
Hugues CHAMBA Philippe DELERIVE
Associé Directeur Général
hchamba@valmenconsulting.fr p.delerive@aprecialis.fr
06 86 65 83 33 01 49 04 02 20
29
Valmen ConsultingVous pouvez aussi lire
